摩尔线程联合光轮智能，以国产算力+仿真算法，夯实自主可控物理AI底座

近日，线程摩尔线程与光轮智能达成战略合作。联合双方将依托摩尔线程全功能GPU与夸娥（KUAE）智算集群，光轮国产结合光轮智能“求解—测量—生成”三位一体全栈自研仿真平台，智能自主联合打造高置信度仿真数据合成方案，算力算法以国产算力与仿真算法的夯实深度融合，为具身智能发展夯实自主可控的可控基础设施。

本次合作直击具身智能行业的物理核心痛点：真机数据采集长期面临物理数据稀缺、成本高昂、底座场景覆盖不足、线程复杂物理过程难以稳定复现等难题。联合为跨越数据鸿沟，光轮国产高质量仿真合成数据成为关键路径，智能自主但其规模化生产又面临渲染量指数级爆炸的算力算法算力瓶颈。以典型操作任务为例，夯实单条轨迹泛化后渲染量可达4.8万帧（如图2），数百条轨迹即达数百万帧规模，传统算力难以支撑。这类海量并发渲染与复杂物理仿真任务，对GPU的AI计算、图形渲染、物理仿真等全功能能力提出刚性要求，硬件级光线追踪更是确保合成数据物理真实度的关键。

图1：合成数据示例，一条机械臂任务的执行轨迹中，包含了5个视觉相机机位的画面渲染，用于机器人的视觉仿真数据生成。

图2：4种装修风格，4个灯光环境，形成16组渲染结果。每一组渲染配有5个机位，每个机位有600帧画面需要渲染。最终，单条轨迹的渲染总量达4.8万帧。

国产算力×仿真算法，构建具身智能合成数据平台

为系统性应对上述挑战，摩尔线程与光轮智能充分发挥各自优势，通过国产GPU算力底座与自研仿真合成技术的深度协同，共同构建起“真实轨迹→仿真建模→数据扩增”的完整国产化闭环，不仅攻克了柔性体抓取物理模拟等技术难关，更让海量、高置信度合成数据的规模化“量产”成为现实。

光轮智能作为全球领先的物理AI数据与仿真基础设施企业，首创"求解—测量—生成"三位一体全栈自研仿真平台，为此次合作提供了核心算法与仿真资产支撑。

•仿真层，光轮自研高精度GPU物理求解器具备可微分、多物理、多材质统一求解，支持刚体、柔体、流体、颗粒等复杂物理过程的高精度实时仿真，并已适配摩尔线程MUSA架构，在MTT S5000智算卡上依托全功能GPU原生加速与光线追踪硬件单元，实现高效稳定运行与高保真渲染。与此同时，光轮依托首创物理测量工厂与虚实对标方法论，将真实世界中的质量、摩擦、接触、形变等关键物理参数引入仿真环境，结合SimReady标准体系，确保仿真资产可验证、可复用、可规模化，核心物理参数仿真准确度达99%以上，为高置信度合成数据生产提供物理真实基础。

•平台层，构建覆盖场景构建、任务生成、仿真执行到评测验证的闭环，形成以RoboFinals为代表的系统化评测能力，结合摩尔线程的国产 GPU 算力底座与大规模并发能力，实现位姿、物性、视角与环境条件等维度的高效泛化，推动具身数据从有限采集走向规模化生成。

图3：模拟机械臂抓取不同质量的柔性物体（抓取物从左往右，质量依次变大）

摩尔线程充分发挥全功能GPU算力底座优势。基于自研MUSA架构，其单颗芯片实现同时支持AI计算、图形渲染、物理仿真、科学计算与超高清视频编解码的技术突破，为具身智能合成数据生产提供一体化、全链路的算力支撑。旗舰级AI训推一体智算卡MTT S5000，作为国内极少数同时支持硬件级光线追踪与AI训推的国产GPU，内置独立的光线追踪硬件单元（RT Core），可支撑复杂物理场景的实时高保真渲染。基于MTT S5000的夸娥千卡智算集群，凭借全精度通用计算能力，为海量合成数据生产提供稳定、高效的算力保障，支撑单一任务即可在位姿、物性、视角与环境条件等维度实现高效泛化，推动具身数据从有限采集走向规模化生成。与此同时，摩尔线程全功能GPU支持光轮自研的物理求解器，实现柔性体动力学、刚体碰撞、流体模拟等复杂物理计算，确保合成数据在物理一致性上达到工业级精度要求。

图4：使用MTT S5000 RT Core硬件光线追踪加速渲染，可以获得 2.7倍的性能提升。

双方协同构建的具身数据生成国产化闭环，既体现了光轮智能在数据与仿真领域的深厚积累，也彰显了摩尔线程全功能GPU全栈计算能力，对数据合成与生产效能的显著提升。这一实践标志着摩尔线程与光轮智能正在携手打造“具身智能数据生产基础设施”，以国产自主的技术能力支撑起具身智能与机器人训练的海量数据需求。

共筑国产物理AI底座：引领具身智能生态迈向自主可控

此次的合作，不仅是技术的强强联手，更意味着国产具身智能基础设施能力，正从单点突破走向更深层次的协同建设。双方验证了国产自研物理求解器与国产全功能GPU算力底座的深度兼容能力，为行业提供了从算法到芯片全面协同攻关的可复制范本，也为具身智能行业提供了从算力、算法到数据的全栈式价值。

未来，双方将继续深化合作，在具身智能评测平台、物理AI高置信度闭环仿真等方向展开进一步探索，推动合作从当前的数据合成阶段走向“仿真-训练-评测”全平台闭环，持续夯实自主可控的国产化物理AI基础设施，加速人工智能走向物理世界的进程。

(责任编辑：探索)